Dekomposisi Klasik Dan ARIMA Penumpang Kereta Api PDF
Dekomposisi Klasik Dan ARIMA Penumpang Kereta Api PDF
Skripsi
Oleh:
Noni Riani
NIM: 123114020
YOGYAKARTA
2016
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Thesis
in Mathematics
By:
Noni Riani
YOGYAKARTA
2016
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
/iE-t.
-t';ttEE'
E-F -\--=L
i7f rir*; P;m; \t
3{ dnpq$ \L
It : G: _ .'ttddEF6tbt- l6lnr-i-ts. tt
\L\ yL.J**
qt I
^ft
-v tE
fg -- ,
SKRIPSI
DAT"A.RIJNTUN WAI(TU
Noni Riani
Ketua
Sekretaris
Anggofia
I Agustus 2016
Deka1
*-
Sry *bny#nur dengsn wewryfu/a bfua dxripsi yeg saya firfis ini
tid* mwet ka4n d&u bryian or&g lafu, keueli yaqg telah ftebutkan dalam
Yogy*xtq 22 Jwri2CIl6
li
I, Fwulis
M I"$oni Riani
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
memberikan dukungan saya dalam segala hal. Terima kasih atas perhatian,
kasih sayang dan dukungan yang telah diberikan, sehingga skripsi ini
dapat selesai.
Bapak Aris yang dengan sabar membimbing dan membantu saya dalam
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Metode peramalan yang baik adalah metode yang mempunyai galat terkecil
dalam peramalan. Metode yang digunakan pada skripsi ini adalah metode
Dekomposisi Klasik dan metode ARIMA. Metode ARIMA mendasarkan
ramalannya pada proses Autoregressive (AR) dan Moving Average (MA).
Konsep-konsep yang digunakan dalam membangun model adalah Autocorrelation
Function (ACF) dan Partial Autocorrelation Function (PACF).
Data yang digunakan untuk membandingkan metode Dekomposisi Klasik
dan metode ARIMA adalah data jumlah penumpang kereta api tahun 2006-2015.
Data mempunyai komponen musiman dan tren. Tujuan penelitian ini adalah
membandingkan metode Dekomposisi Klasik dan metode ARIMA untuk
mendapatkan metode yang terbaik dalam peramalan dengan menggunakan Mean
Square Error (MSE) sebagai kriteria evaluasi.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
A good forecasting method is a method which has the minimum error in
forecasting. This thesis discusses about Classical Decomposition method and
ARIMA method. ARIMA forecasting method is based on the Autoregressive
(AR) and Moving Average (MA) processes. Concepts which are used to build the
model is Autocorrelation Function (ACF) and Partial Autocorrelation Function
(PACF).
The data which are used to compare Classical Decomposition method and
ARIMA method are the number of train passengers in 2006-2015. The data have
seasonal and trend components. The purpose of this thesis is to compare the
Classical Decomposition method and ARIMA method for getting the best method
on forecasting by using Mean Square Error (MSE) as evaluating criteria.
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan Syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah
dukungan dan bantuan dari berbagai pihak, baik perorangan ataupun lembaga.
Untuk itu, dengan segala kerendahan hati penulis ingin menyampaikan terima
kasih kepada:
1. Ir. Ig. Aris Dwiatmoko, M.Sc., selaku dosen pembimbing skripsi yang
telah meluangkan waktu, tenaga, dan pikiran serta ilmu yang telah
2. YG. Hartono, S.Si., M.Sc., Ph.D, selaku Ketua Program Studi Matematika
4. Romo Prof. Dr. Frans Susilo, S.J., Ibu M. V. Any Herawati, S.Si., M.Si.,
Bapak Ir. Ig. Aris Dwiatmoko, M.Sc., Bapak Dr. rer. nat. Herry P.
Suryawan, S.Si., M.Si., dan Ibu Lusia Krismiyati Budiasih, S.Si., M.Si.
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5. Kedua orang tua ku tercinta, kakak ku Lusiana, Ganda, Nawa dan Dewita
Happy, Arum, Dewi, Rian, Budi, Ega, Boby, Tika, Ferny, Juli, Ilga, Oxi,
dan Risma yang telah membantu dalam penulisan skripsi ini, dan
ini.
Penulis menyadari bahwa skripsi ini masih jauh dari sempurna. Oleh karena
itu, penulis mengharapkan kritik dan saran yang dapat membangun serta
Penulis,
Noni Riani
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma:
Nama : Noni Rianr
NornorMatrasiswa : 123114S20
beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
media lain untuk kepontingan akademis tanpa perlu nneminta izin dari saya
mauprm rnemberikan royalti kepada saya selama tetap rnenc€rtumkan nama saya
sebagai penulis.
Dibuat di Yogyakarta
Pada tanggal : 22 lwri 2A16
Yang menyatakan
XI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
Halaman
HALAMAN JUDUL................................................................................................ i
E. Metode Penulisan......................................................................................8
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
B. Stasioneritas ............................................................................................13
A. Pendahuluan ............................................................................................53
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
A. Kesimpulan ...........................................................................................100
B. Saran .....................................................................................................100
LAMPIRAN .........................................................................................................104
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
Ramalan adalah dugaan mengenai kejadian atau peristiwa yang akan datang
Peramalan adalah suatu teknik untuk memperkirakan suatu nilai pada masa yang
akan datang dengan memperhatikan data masa lalu maupun data saat ini (Aswi
dan Sukarna, 2006). Untuk melakukan peramalan tersebut diperlukan data yang
akurat pada masa lampau sehingga dapat melihat kondisi yang akan datang.
Peramalan adalah salah satu unsur yang sangat penting dalam pengambilan
keputusan, sebab efektif atau tidaknya suatu keputusan umumnya tergantung pada
faktor yang tidak terlihat pada waktu keputusan tersebut diambil (Soejoeti,1987).
diperlukan untuk mengetahui nilai dari suatu peristiwa berdasarkan waktu yang
analisis data waktu lampau untuk memperkirakan nilai yang akan datang dari
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
a. Metode univariat runtun waktu (time series) yaitu metode yang dapat
waktu yang akan datang. Pola tersebut diekstrapolasi untuk menghasilkan suatu
menurun dalam jangka yang relatif lama atau untuk waktu yang lebih dari
satu tahun.
3) Pola Musiman/ Seasonal (S) merupakan fluktuasi dari data yang terjadi
secara periodik dalam kurun waktu satu tahun, misalnya fluktuasi per
perkirakan kejadian yang akan datang. Hasil peramalan kualitatif yang diperoleh
bergantung pada orang yang menyusunnya atau berdasarkan pendapat para ahli.
a. Metode Delphi adalah suatu metode yang proses pengambilan keputusan me-
libatkan beberapa pakar. Adapun para pakar tersebut tidak dipertemukan secara
sehingga setiap pakar tidak mengetahui identitas pakar yang lain. Hal ini ber-
tujuan untuk menghindari adanya dominasi pakar lain dan dapat meminimal-
kan pendapat yang bias. Metode Delphi pertama kali digunakan oleh Air
pola data masa lalu dari produk-produk yang dapat disamakan secara analogi,
gunakan model permintaan televisi hitam putih atau berwarna biasa. Analogi
historis cenderung akan menjadi terbaik untuk penggantian produk di pasar dan
apabila terdapat hubungan substitusi langsung dari produk dalam pasar itu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
baru, pasar baru, proses baru, perubahan sosial masyarakat, perubahan teknologi,
Metode yang akan digunakan pada skripsi ini adalah metode peramalan
kuantitatif yaitu univariat runtun waktu (time series). Data runtun waktu yakni
jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu
tertentu. Model yang menggunakan data runtun waktu ada 2 yaitu model stasioner
statistika yang sering menjadi perhatian adalah rata-rata, variansi, serta ukuran
masa yang akan datang dapat diramalkan berdasarkan data historis yang telah
terjadi di masa lalu. Beberapa model runtun waktu stasioner yakni Autoregressive
deret waktu tidak stasioner, maka data harus dibuat stasioner melalui proses
pembedaan (differencing). Model AR, MA, dan ARMA dengan data yang
Model ARIMA atau dikenal juga dengan model Box-Jenkins dapat ditulis
dalam bentuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
nilai dari data. Setiap komponen diidentifikasi secara terpisah. Proyeksi dari
ramalan nilai masa depan dari data runtun waktu (Hanke dan Wichern, 2009).
1. Dekomposisi Aditif
komponen tren, musiman, siklus dan galat (error). Metode ini mengidentifikasi
hasil peramalan).
2. Dekomposisi Multiplikatif
biasanya terdapat pada data. Dengan adanya komponen musiman dapat juga
dilihat komponen siklusnya. Komponen tak beraturan hanya untuk melihat galat
yang ada pada data. Sehingga dalam perumusan masalah penulis hanya membahas
B. Rumusan Masalah
C. Batasan Masalah
3. Landasan teori yang dibahas hanya yang berkaitan langsung dengan pokok
perkara skripsi.
4. Skripsi ini hanya mencari metode yang terbaik tanpa meramalkan data untuk
waktu kedepannya.
5. Data yang digunakan adalah data jumlah penumpang kereta api Jawa dan
D. Tujuan Penulisan
E. Metode Penulisan
F. Manfaat Penulisan
G. Sistematika Penulisan
BAB I: PENDAHULUAN
B. Rumusan Masalah
C. Batasan Masalah
D. Tujuan Penulisan
E. Metode Penulisan
F. Manfaat Penulisan
G. Sistematika Penulisan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
B. Stasioneritas
C. Pembedaan (Differencing)
N. Evaluasi Model
A. Pendahuluan
10
METODE ARIMA
BAB V : PENUTUP
A. Kesimpulan
B. Saran
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
ini adalah pertunjukan dengan hanya dua nilai kemungkinan yaitu . Ada
beberapa nilai yang tidak ada yaitu pada tahun 1945 dan tahun 1959-1962 karena
11
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Pada skripsi ini akan dibahas mengenai data runtun waktu diskrit. Data
runtun waktu diamati sebagai n variabel acak di sebarang waktu bilangan bulat
bersama, dievaluasi sebagai probabilitas bahwa nilai-nilai dari data yang bersama-
(2.1)
runtun waktu (Hanke & Winchern, 2009). Tujuan utama dari analisis runtun
deskripsi yang masuk akal untuk data sampel. Agar dapat memberikan analisis
statistik untuk menggambarkan karakter data yang berfluktuasi secara acak dari
dari variabel acak diindeks berdasarkan urutan yang diperoleh dalam waktu.
Sebagai contoh, perhatikan data runtun waktu sebagai urutan variabel acak,
pada saat pertama, variabel menunjukkan nilai untuk periode waktu yang
data tersebut dapat bermanfaat. Secara umum terdapat empat macam pola data
runtun waktu, yaitu horisontal, tren, musiman, dan siklus (Hanke dan Wichren,
2009). Pola horisontal merupakan kejadian yang tidak terduga dan bersifat acak,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
horisontal terjadi ketika nilai berfluktuasi di sekitar nilai rata-rata yang konstan
artinya data tidak mengalami kenaikan atau penurunan secara signifikan. Pola tren
adalah kecenderungan data untuk naik atau turun pada suatu runtun waktu dalam
periode yang cukup panjang. Pola musiman merupakan fluktuasi dari data yang
terjadi secara periodik dalam kurun waktu satu tahun, misalnya fluktuasi per
merupakan fluktuasi dari data untuk waktu yang lebih dari satu tahun. Model
runtun waktu adalah model yang dapat digunakan untuk menganalisis serangkaian
B. Stasioneritas
data. Data secara kasarnya harus horisontal sepanjang sumbu waktu. Dengan kata
lain, fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak
tergantung pada waktu dan variansi dari fluktuasi yang konstan setiap waktu
plot data runtun waktu. Data runtun waktu dikatakan stasioner jika tidak ada unsur
tren dan musiman pada data, serta rata-rata dan variansinya konstan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Gambar 2.3 Plot data stasioner dalam variansi dan tidak stasioner dalam
rata-rata
Gambar 2.4 Plot data stasioner dalam rata-rata dan tidak stasioner dalam
variansi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Gambar 2.5 Plot data tidak stasioner dalam rata-rata dan variansi
subbab C. Apabila data tidak stasioner dalam variansi maka dapat dilakukan
transformasi Box dan Cox (Wei, 2006), dengan fungsi transformasi sebagai
berikut:
C. Pembedaan (Differencing)
stasioner khususnya data yang tidak stasioner dalam rata-rata (mean). Operator
16
Apabila ada dua B pada maka menggeser data 2 periode ke belakang, dapat
Apabila suatu data runtun waktu tidak stasioner, maka data tersebut dapat
dibuat mendekati stasioner dengan melakukan pembedaan orde pertama dari data
(2.2)
menjadi
(2.3)
yaitu:
(2.4)
(2.5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Definisi 2.2
18
Definisi 2.3
[ ] ∑ ∑∑
maka
[ ] ∫ ∫ ∫
Teorema 2.1
Bukti
∑ ∑
Dari teorema ∑
∫ ∫
Dari teorema ∫
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Teorema 2.2
maka
[ ] [ ]
Bukti
[ ] ∑∑
∑∑
[ ]
[ ] ∫ ∫
∫ ∫
[ ]
Teorema 2.3
[ ] [ ] [ ]
[ ]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Bukti
[ ] ∑ ∑[
∑∑
∑∑
∑∑
[ ] [ ]
[ ]
[ ] ∫ ∫[
∫ ∫
∫ ∫
∫ ∫
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
[ ] [ ]
[ ]
Teorema 2.4
[ ] [ ] [ ]
Bukti
[ ] ∑∑
∑∑
∑ ∑
∑ [ ]
[ ]∑
[ ] [ ]
[ ] ∫ ∫
∫ ∫
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
∫ [∫ ]
∫ [ ]
[ ] ∫
[ ] [ ]
[ ] [ ]
P-value (nilai signifikan) adalah nilai kesalahan yang didapat dari hasil
dahulu nilai alpha ( ) sebagai patokan seberapa besar kesalahan tersebut dapat
diterima. Alpha adalah batas kesalahan maksimal yang dijadikan patokan oleh
peneliti. Nilai alpha yang sering digunakan adalah sebesar , nilai alpha yang
kecil menunjukkan semakin ketatnya aturan dalam suatu penelitian. Nilai alpha
membandingkan nilai alpha dengan nilai p-value untuk mengetahui apakah data
ditetapkan dalam hipotesis nol (null hypothesis). Jika nilai p-value , maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
peneliti menolak hipotesis nol. Jika nilai p-value , maka peneliti gagal
Maka dari itu, hasil tersebut dapat ditulis sebagai kovariansi antara dan
[ ] (2.6)
dengan himpunan observasi itu sendiri tetapi dalam waktu yang berbeda.
sama tetapi pada waktu yang berbeda. Koefisien ini juga mengukur tingkat
dan seterusnya sampai k-1 konstan. Koefisien otokorelasi untuk lag-k dari data
[ ] (2.7)
√ √ [ ]√ [ ]
Dengan: =rata-rata
24
dan
| | | |
(2.8)
̂ ∑ ̅ ̅
n = ukuran sampel,
̂ ̂ untuk
∑ ̅ ̅ (2.9)
∑ ̅
n = banyaknya data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Contoh 2.2
tabel 2.1
t 1 2 3 4 5 6 7 8 9 10
13 8 15 4 4 12 11 7 14 12
∑ ̅ ̅
∑ ̅
dengan dan ̅ . Misalkan , sehingga
diperoleh otokorelasi
∑ ̅ ̅
∑ ̅
26
, dan seterusnya dapat dihitung seperti contoh di atas. Berikut adalah plot
Langkah-langkah pengujian:
3. Menentukan
4. Statistik uji:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
dengan
√
5. wilayah kritis:
6. Membuat kesimpulan
Pada skripsi ini, pengujian ACF tidak hanya digunakan untuk uji koefisien
otokorelasi tetapi juga digunakan untuk menguji galat dari model ARIMA,
sehingga keacakan galat dapat dilihat. Jika pada grafik ACF tidak ada lag yang
melebihi garis signifikans (garis putus-putus), maka galat bersifat acak (koefisien
otokorelasi tidak signifikan). Perhatikan plot ACF galat berikut (untuk lag 0
28
Dari gambar 2.7 terlihat bahwa galat bersifat acak karena untuk setiap lag berada
( ) ( )
√ √
( ) ( )
√ √
( ) ( )
√ √
Perhatikan gambar 2.6 plot ACF pada contoh 2.2, dari gambar telihat bahwa
tidak ada lag yang melebihi batas signifikan sehingga dapat disimpulkan bahwa
29
(Makridakis, 1995).
(2.10)
diperoleh
( )
( )
30
| |
| |
dengan | | , sehingga
| |
| |
dengan | |
| |
(2.11)
| |
31
(1960) yaitu
̂ ∑ ̂ ̂ (2.12)
̂
∑ ̂ ̂
dan
̂ ̂ ̂ ̂ (2.13)
dengan
Contoh 2.3
otokorelasi parsial dengan persamaan (2.12) dan (2.13). Pada proses ACF
̂ ̂
̂ ̂ ̂ ̂ ̂ ̂
̂ ̂ ̂
̂ ̂ ̂ ̂
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
̂ ̂ ̂ ̂ ̂
̂
̂ ̂ ̂ ̂
Untuk ̂ selainnya dapat dihitung menggunakan cara yang sama seperti contoh
3. Menentukan
4. Statistik uji:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
̂
̂
dengan ̂
√
5. wilayah kritis:
6. Membuat kesimpulan
( ) ̂ ( )
√ √
( ) ̂ ( )
√ √
( ) ̂ ( )
√ √
Perhatikan gambar 2.8 plot PACF pada contoh 2.3, dari gambar terlihat
bahwa tidak ada lag yang melebihi garis signifikan sehingga dapat disimpulkan
34
Suatu proses stokastik { } disebut proses white noise jika barisan variabel acak
fungsi otokorelasi
normal atau tidak. Untuk menguji normalitas dari galat menggunakan uji
(Daniel, 1989):
3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
| |
̅
nilai Z diperoleh dari
5. kriteria pengujian:
6. Menentukan kesimpulan
Pengujian juga dapat dilakukan dengan melihat grafik normalitas. Jika galat
berdistribusi normal, maka galat akan berada di sekitar garis diagonal. Untuk galat
yang tidak berdistribusi normal, maka galat akan menyebar dan menjauhi garis
diagonal.
36
Tabel 2.2
1 2 3 4 5 6 7 8 9 10 11 12 13 14
73.9 74.2 74.6 74.7 75.4 76 76 76 76.5 76.6 76.9 77.3 77.4 77.7
Kolmogorov-Smirnov.
Penyelesaian:
3.
| |
̅
Dengan = , nilai Z diperoleh dari
Frek ̅ = |
|
37
0.1069
7. Kesimpulan:
berdistribusi normal.
data masa lalu terhadap nilai tengah sebagai peramalan. Rata-rata bergerak
digunakan untuk menentukan berapa jumlah nilai observasi masa lalu yang akan
pemulusan data runtun waktu berdasarkan nilai rata-rata dari observasi terdahulu.
pengamatan yang berada didekatnya dalam waktu , juga akan mendekati nilai
aslinya. Jadi mengambil rata-rata dari suatu titik pengamatan akan memberikan
pendugaan yang wajar dari tren yang diobservasi itu. Rata-rata menghilangkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
beberapa keacakan pada data. Agar lebih memahami tentang konsep rata-rata
dst
(2.14)
∑
P “past” waktu pada masa lalu dan f “future” waktu pada masa yang akan datang.
Bila p sama dengan f, banyaknya titik pada masa lalu sama dengan
banyaknya titik pada masa yang akan datang, maka rata-rata bergerak
simetrik.
39
Contoh 2.5
Tabel 2.3
Diperoleh persamaan
40
Dari gambar 2.10 terlihat bahwa nilai data asli dan rata-rat bergerak tidak berbeda
secara signifikan.
41
nilai dari data. Setiap komponen diidentifikasi secara terpisah. Proyeksi dari
ramalan nilai masa depan dari data runtun waktu (Hanke dan Wichern, 2009).
terpisah yang cenderung mencirikan runtun data ekonomi dan bisnis. Komponen
Jadi, di samping komponen pola, terdapat pula unsur galat atau kerandoman. Data
merupakan fungsi dari tren-siklus, musiman dan galat. Galat ini dianggap
42
1. Tren ( )
Tren adalah pergerakan naik turun suatu keadaan dalam jangka panjang.
Tren merupakan gerakan yang lamban, panjang, dan menuju ke satu arah.
Pergerakan tren dapat naik, turun bahkan konstan. Data runtun waktu
menunjukkan adanya kecenderungan untuk naik atau turun dalam jangka waktu
yang cukup panjang. Pola ini diidentifikasi sebagai tren, interpretasi lain dari tren
Garis tren seperti yang ditunjukkan pada gambar 2.10 dapat dijelaskan
Dengan
∑ ∑ ∑
∑ ∑
∑ ∑
yang dijelaskan secara rinci pada subbab M. Terdapat beberapa kurva tren lain
43
2. Musiman ( )
secara periodik/ berulang dalam jangka waktu satu tahun, yang disebut pula
dengan tren musiman dan akan berulang dalam setiap tahunnya. Contoh nyata
yang diikuti oleh peningkatan harga beberapa komoditas tertentu, seperti telur,
daging, dan sayuran setiap kali mendekati perayaan hari raya keagamaan yang
akan berulang secara periodik setiap tahunnya. Besarnya nilai variasi musiman ini
[( ) ]
44
3. Siklus ( )
dalam jangka yang relatif panjang dari pada variasi musiman. Pola siklus biasanya
terjadi dalam kurun waktu lebih dari satu tahun. Sehingga pola siklus tidak perlu
dimasukkan dalam ramalan jangka pendek. Pola ini amat berguna untuk
peramalan jangka menengah dan jangka panjang. Seperti siklus bisnis, aktivitas
Variasi acak dapat terjadi karena adanya faktor-faktor, seperti bencana alam,
yang tidak mempunyai pola tertentu (tak teratur). Variasi acak ini diperlukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
pola tersebut untuk masa yang akan datang lebih didasarkan pada teori statistika
yang telah dikembangkan dengan baik. Model ARIMA adalah gabungan dari
46
(2.15)
Dengan
p = orde AR
mundur):
Orde AR yang sering digunakan dalam analisis runtun waktu adalah orde 1 dan
ditulis .
(2.16)
dengan
47
q = orde MA
Dalam praktiknya, dua kasus yang kemungkinan besar akan dihadapi adalah
(2.17)
dengan
= koefisien autoregressive,
p = orde AR
q = orde MA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
gabungan model AR(p), proses pembedaan dan MA(q). Dengan kata lain, apabila
(2.18)
dengan
AR (Autoregressive)
MA (Moving Average)
49
dengan
AR (Autoregressive)
MA (Moving Average)
M. Pengujian White-Noise
Keacakan galat dari suatu model dapat diuji menggunakan uji statistik Q
3. Menentukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
4. Statistik uji
5. Wilayah kritis:
6. Membuat kesimpulan
dari plot ACF galat. Apabila pada plot ACF tidak ada lag yang melebihi garis
signifikansi maka galat bersifat acak, seperti yang telah dijelaskan pada subbab D.
Galat memenuhi proses white noise jika galat bersifat acak dan berdistribusi
normal.
51
N. Evaluasi Model
berikut:
∑ ̂
dengan
n= banyaknya pengamatan
Model yang baik akan memiliki nilai MSE yang paling kecil.
yang akan digunakan untuk pendugaan garis tren pada Bab III.
Dengan mendefinisikan
̂,
maka
( ̂ ) dan ∑ ∑( ̂)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
∑ ∑
∑
∑
∑ ∑
Sehingga diperoleh
∑ ∑
Selanjutnya
∑
∑
∑ ∑ ∑
∑ ∑
Dengan substitusi pada persamaan diatas, sehingga diperoleh
∑ ∑ ∑
∑ ∑
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
A. Pendahuluan
digunakan pada awal abad ini oleh ahli ekonomi untuk mengenali dan
mengendalikan siklus bisnis. Dasar dari metode dekomposisi muncul pada tahun
dekomposisi telah digunakan secara luas baik oleh para ahli ekonomi ataupun
para pengusaha.
dipelajari secara mendalam oleh George Box dan Gwilym Jenkins (1976), dan
nama mereka sering disinonimkan dengan proses ARIMA yang diterapkan untuk
analisis runtun waktu, peramalan dan pengendalian. Box dan Jenkins (1976)
runtun waktu univariat. Dasar dari metode ARIMA terdiri dari tiga tahap:
McGee, 1999).
53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
sebagai berikut:
periode yang sama dengan panjang pola musiman (misalnya 12 bulan, 4 bulan,
tetapi dalam sebagian besar prosedur dekomposisi menjadikan tren dan siklus
rata-rata medialnya, yaitu nilai rata-rata untuk setiap bulan setelah dikeluarkan
menjadi nol.
55
∑ ∑ ∑
∑ ∑
∑ ∑
= periode
= banyaknya data
1. Identifikasi Model
Langkah pertama yang harus dilakukan adalah plot data runtun waktu. Dari
plot data dapat dilihat adanya tren, musiman, pencilan, variansi yang tidak
konstan dan keadaan yang tidak stasioner. Pada analisis runtun waktu, apabila
data tidak stasioner dalam rata-rata maka yang dilakukan adalah menstasionerkan
data dengan pembedaan yang dibahas pada bab II subbab C. Apabila data tidak
dengan cara transformasi Box-Cox yang dibahas pada bab II subbab B. Model
ARIMA hanya dapat diterapkan untuk runtun waktu yang stasioner. Oleh karena
itu, pertama kali yang harus dilakukan adalah menyelidiki apakah data yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
digunakan sudah stasioner atau belum. Cara mengetahui data sudah stasioner atau
belum yaitu dengan membuat plot data runtun waktu atau dengan melihat plot
ACF. Data dikatakan stasioner bila plot data runtun waktu berada di sekitar nilai
rata-rata, variansi konstan, tidak terjadi kenaikan/ penurunan data dan plot ACF
akan turun dengan cepat mendekati nol. Apabila data telah stasioner berarti
, tetapi jika data stasioner setelah pembedaan pertama maka d=1 dan seterusnya.
dari AR dan MA. Cara yang dapat dilakukan adalah dengan melihat plot PACF
dan plot ACF. Plot PACF akan menetukan orde dari AR sedangkan plot ACF
akan menentukan orde dari MA. Secara ringkas ditampilkan dalam tabel.
57
lag
58
2. Pendugaan Parameter
paramater Autoregressive (AR) dan moving average (MA) yang tercakup dalam
model.
dengan , untuk
hasilnya adalah
(3.1)
[ ] [ ] [ ] [ ] (3.2)
[ ]
[ ] [ ] [ ] [ ] (3.3)
(3.4)
59
(3.5)
(3.6)
dengan maka ̂ .
60
Contoh 3.1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
13 8 11 3 3 11 10 6 13 11 14 17 12 10 9 8 3 3 7 6
Langkah pertama yang harus dilakukan adalah mencari penduga dan yaitu
∑ ̅ ̅
dengan menghitung dan . Menggunakan persamaan ∑ ̅
,
̂
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
dengan
, untuk diperoleh
( )(
[( )(
)]
(3.7)
Nilai harapan untuk persamaan (3.7) diatas akan bergantung pada nilai k. Bila
(3.8)
Semua suku yang lain pada persamaan (3.7) hilang, karena adanya definisi
n
{
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
(3.9)
(3.10)
(3.11)
(3.12)
untuk semua nilai , maka fungsi otokorelasi pada lag dari proses MA(q) adalah
(3.13)
{
Karena nilai teoritis tidak diketahui maka nilai pendugaan dari koefisien
(3.13) menjadi:
63
̂ ( )̂ , dengan ̂
persamaan dalam bentuk dan yang tidak diketahui, tetapi tidak berarti
Contoh 3.2
1 -0.09 20 0
2 0.06 21 0.02
3 -0.05 22 0
4 -0.04 23 -0.02
5 0.02 24 0
6 -0.03 25 0.02
7 -0.02 26 -0.01
8 0 27 -0.03
9 -0.01 28 0.04
10 -0.02 29 0.02
11 0 30 0.01
12 -0.02 31 0
13 -0.01 32 -0.01
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
14 0 33 -0.03
15 -0.01 34 0
16 -0.02 35 0.01
17 0 36 0
18 0.01 37 -0.01
19 -0.01
yaitu:
> library(forecast)
> estimasi=Arima(Xt,order=c(0,0,2))
> estimasi
Series: Xt
Coefficients:
65
model ARMA( ):
diperoleh
[ ] [ ] [ ] [ ] (3.14)
[ ] [ ]
[ ] [ ] (3.15)
[ ]
(3.16)
(3.17)
ARMA(1,1) berikut:
[ ] [ ] [ ] [ ]
[ ] [ ]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Untuk
[ ] [ ]
[ ] [ ]
Karena [ ] dan
[ ] [ ]
[ ] [ ] [ ]
Sehingga
(3.18)
Untuk
[ ] [ ] (3.19)
( )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
( )
Untuk
(3.20)
awal parameter dari model ARMA( ) (Box dan Jenkins, 1976:520). Untuk
AR dan MA.
Contoh 3.3
1 20 20 12
2 -20 21 -8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
3 62 22 12
4 52 23 32
5 -8 24 12
6 42 25 -8
7 32 26 22
8 12 27 42
9 22 28 -28
10 32 29 -8
11 12 30 2
12 32 31 12
13 22 32 22
14 12 33 42
15 22 34 12
16 32 35 2
17 12 36 12
18 2 37 22
19 22
R, yaitu:
> estimasi=Arima(Xt,order=c(2,0,2))
> estimasi
Series: Xt
Coefficients:
69
3. Pemeriksaan Diagnostik
model ARIMA yang telah diduga memenuhi proses white noise. Model dikatakan
memadai jika galat memenuhi proses white noise yaitu galat bersifat acak dan
adalah:
a. Setelah pendugaan dilakukan, maka nilai galat dapat ditentukan. Jika nilai-nilai
koefisien otokorelasi galat untuk berbagai time lag tidak berbeda secara
signifikan (tidak signifikan) dari nol, maka galat bersifat acak sehingga
c. Uji normalitas galat, seperti yang telah dijelaskan pada bab II subbab G. Jika
70
Jika galat tidak white noise maka model tidak memadai, ulangi lagi mulai
Pengujian ini digunakan untuk melihat apakah galat memenuhi proses white
noise.
4. Peramalan
Tujuan dalam analisis runtun waktu adalah untuk meramalkan nilai masa
Diberikan 82 data pengamatan runtun waktu pada tabel 3.1 data asli di
lampiran. Data akan diolah menggunakan metode dekomposisi klasik dan metode
normal. Data asli (lihat tabel 3.1 pada lampiran) tidak berdistribusi normal,
71
Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1990 4.95 4.35 4.63 4.35 4.26 4.53 4.76 3.69 3.35 3.35 4.21 4.38
1991 4.81 4.74 4.44 4.55 4.44 4.35 4.69 4.08 3.99 4.38 4.38 4.53
1992 4.94 4.74 4.31 4.35 4.35 4.21 4.38 4.15 3.99 4.63 4.35 4.67
1993 5.14 4.55 3.99 4.21 4.08 3.35 4.31 4.08 4.15 4.26 4.59 4.47
1994 5.11 4.49 4.65 4.38 4.26 4.08 4.60 4.26 3.69 4.55 4.78 4.72
1995 4.97 4.15 4.67 4.35 4.31 3.87 4.38 4.38 3.69 4.60 4.47 4.76
1996 4.97 4.62 4.55 4.35 4.31 4.21 4.41 4.21 4.08 4.47
Desember. Data yang telah dirata-rata, diletakkan pada bulan Juli atau pusat dari
12 bulanan.
Tahun Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
1990 4.23 4.22 4.26 4.24 4.26 4.27
1991 4.26 4.25 4.28 4.34 4.42 4.44 4.45 4.46 4.46 4.45 4.43 4.42
1992 4.41 4.39 4.39 4.39 4.41 4.41 4.42 4.44 4.42 4.40 4.39 4.36
1993 4.29 4.29 4.28 4.29 4.26 4.28 4.27 4.26 4.26 4.31 4.33 4.34
1994 4.40 4.43 4.44 4.40 4.43 4.44 4.46 4.45 4.43 4.43 4.42 4.43
1995 4.41 4.39 4.40 4.40 4.41 4.38 4.38 4.38 4.42 4.41 4.41 4.41
1996 4.44 4.44 4.43 4.46
72
Rerata Indek
medial musiman
Jan 0.5894 0.5933
Feb 0.2131 0.2171
Mar 0.0996 0.1035
Apr -0.0507 -0.0468
May -0.1092 -0.1053
Jun -0.3572 -0.3533
Jul 0.1060 0.1099
Aug -0.2586 -0.2547
Sep -0.5945 -0.5906
Oct 0.0498 0.0537
Nov 0.0579 0.0619
Dec 0.2074 0.2113
d. Mengurangkan data dengan indeks musiman untuk memperoleh
73
diperoleh
∑ ∑ ∑
∑ ∑
∑ ∑
Sehingga
data peramalan.
74
menyelidiki apakah data telah stasioner, pendugaan parameter, dan uji kecocokan
a. Identifikasi Model
75
Dari gambar 3.6 terlihat data belum stasioner dalam variansi karena data ke-
faktor musiman. Faktor musimannya adalah 12 bulanan, karena pola ACF selalu
berulang setiap lag 12. Untuk ACF pola musiman turun secara lambat menuju nol.
76
Dilihat dari plot data transformasi dan ACF data transformasi, menunjukkan
bahwa data telah stasioner. Dari plot data transformasi terlihat bahwa tidak ada
data yang menonjol, yang berarti rata-rata dan variansi dari data telah stasioner.
Dari plot ACF terlihat bahwa ACF turun secara cepat menuju nol atau terpotong
pada lag 3. Setelah data stasioner, selanjutnya adalah menduga model dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
memperhatikan plot PACF dan ACF data transformasi (gambar 3.9 dan gambar
3.10). Dari plot PACF non musiman data terpotong pada lag 1, plot PACF
musiman data terpotong pada lag 1, plot ACF non musiman data terpotong pada
Model
Arima(1,0,1)(1,0,0)12
Arima(1,0,0)(1,0,0)12
Arima(0,0,1)(1,0,0)12
Arima(0,0,0)(1,0,0)12
b. Pendugaan Parameter
menduga parameter.
a) Model ARIMA
AR 1 MA 1 SAR 1 konstan
Koefisien 0.4583 -0.1648 0.6469 4.3673
SE koefisien 0.2450 0.2668 0.0866 0.1002
b) Model ARIMA
AR 1 SAR 1 konstan
Koefisien 0.3095 0.6400 4.3672
SE koefisien 0.1060 0.0863 0.0933
c) Model ARIMA
MA 1 SAR 1 konstan
Koefisien 0.2405 0.6432 4.3661
SE koefisien 0.0923 0.0873 0.0815
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
d) Model ARIMA
SAR 1 konstan
Koefisien 0.6745 4.3636
SE koefisien 0.0837 0.0727
Langkah selanjutnya adalah uji white noise yaitu dengan menguji keacakan
galat dan uji normalitas galat. Uji keacakan galat dengan melihat plot ACF galat
model yang memenuhi asumsi white noise yaitu galat bersifat acak dan
Pendugaan yakni, ̂ ̂
dapat ditulis:
( ̂ ) ( ̂ )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
Substitusikan parameter ̂ ̂
3. Evaluasi Model
Pada tahap ini akan dicari model yang lebih baik, yaitu dengan
mempehatikan nilai dari MSE metode dekomposisi klasik dan MSE metode
ARIMA.
Model MSE
ARIMA 0.06980
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
∑ ̂
Nilai MSE diperoleh dari , dengan adalah data
>estimasi=Arima(dataTransformasi,order=c(0,0,1),seasonal=list(order=c(1,0,0),
period=12))
>galat= residuals(estimasi)
Dari nilai MSE terlihat bahwa metode dekomposisi klasik mempunyai nilai
BAB IV
ARIMA
Pada bab ini akan dibahas perbandingan metode dekomposisi klasik dan
metode ARIMA dengan studi kasus data jumlah total penumpang kereta api Jawa
http://www.bps.go.id/linkTabelStatis/view/id/1417#.
runtun waktu. Data jumlah penumpang kereta Api Jawa dan Sumatera ada pada
tabel 4.1 pada lampiran. Data jumlah penumpang kereta api belum berdistribusi
81
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
ratakan data dari bulan Februari-Januari dan seterusnya. Data yang telah dirata-
rata, diletakkan pada bulan Agustus yaitu pusat dari 12 bulanan. Diperoleh
83
84
rata-rata medialnya. Rata-rata medial adalah nilai rata-rata untuk setiap bulan
Rerata Indeks
medial musiman
-668.43 -474.69
-1433.36 -1239.62
2153.65 2347.39
-429.68 -235.94
738.33 932.07
206.68 400.42
387.11 580.85
-1645.07 -1451.33
-592.57 -398.83
88.70 282.44
-1282.52 -1088.78
152.27 346.01
∑ ∑ ∑
∑ ∑
∑ ∑
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
peramalan.
86
Ada beberapa tahap yang dilakukan pada bagian ini, dimulai dari
1. Identifikasi Model
Pada tahap ini akan diperiksa stasioneritas pada data, dengan cara melihat
plot data asli jumlah total penumpang jawa dan sumatera pada tahun 2006-2015.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
Gambar 4.3 Plot ACF data asli jumlah penumpang Kereta Api
Berdasarkan gambar 4.2 dan 4.3 terlihat bahwa data belum stasioner
terhadap rata-rata, karena pada plot data asli yang ke-91 dan seterusnya data
mengalami kenaikan yang cukup tinggi dan ACF turun secara lambat menuju nol.
dengan transformasi .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
Berdasarkan gambar 4.4 terlihat bahwa data telah stasioner terhadap rata-
rata dan variansi, karena data berfluktuasi disekitar nilai rata-rata dan varianisi
dilakukan adalah identifikasi model dengan cara melihat plot PACF dan ACF data
89
Dilihat dari plot ACF gambar 4.6 data memuat faktor musiman yang turun
secara lambat mendekati nol. Faktor musiman adalah musiman 12 bulanan, karena
pola selalu berulang setiap lag 12. Dari plot PACF non musiman data terpotong
setelah lag 1 ditulis AR(p=1), plot PACF musiman data terpotong setelah lag 1
ditulis SAR(P=1), plot ACF non musiman data terpotong pada lag 1 ditulis
MA(q=1), dan plot ACF musiman data menurun secara lambat menuju nol ditulis
SMA(Q=0) dan pembedaan orde pertama yaitu d=1. Dari plot PACF dan plot
Model
ARIMA(1,1,1)(1,0,0)12
ARIMA(1,1,0)(1,0,0)12
ARIMA(0,1,1)(1,0,0)12
ARIMA(0,1,0)(1,0,0)12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
2. Pendugaan Parameter
menduga parameter.
a) Model ARIMA
AR 1 MA 1 SAR 1
Koefisien -0.3304 -1.0000 0.5973
SE koefisien 0.0895 0.0246 0.0770
b) Model ARIMA
AR 1 SAR 1
Koefisien -0.6305 0.6393
SE koefisien 0.0719 0.0726
c) Model ARIMA
MA 1 SAR 1
Koefisien -1.0000 0.6431
SE koefisien 0.0188 0.0725
d) Model ARIMA
SAR 1
Koefisien 0.6886
SE koefisien 0.0682
model yang mempunyai galat acak dan galat berdistribusi normal yang berarti
91
a. Model ARIMA
Berdasarkan plot ACF gambar 4.7, tidak ada lag yang melebihi garis putus-
putus (garis signifikan). Hal ini menunjukkan bahwa galat bersifat acak. Untuk
Lag 12 24 36 48
P-Value 0.8583 0.9346 0.9949 0.997
92
Berdasarkan Tabel 4.6 dan gambar 4.8 terlihat bahwa p-value untuk setiap
lag yang diuji lebih besar dari sehingga diterima (galat bersifat
Dari plot normalitas galat, data berada disekitar garis dan menggunakan
b. Model ARIMA
93
Berdasarkan plot ACF gambar 4.10, ada lag yang melebihi garis putus-
putus (garis signifikan). Hal ini menunjukkan bahwa galat tidak bersifat acak.
Untuk lebih tepatnya dapat menggunakan uji Box-Pierce. Lihat tabel dibawah
Lag 1 2 3 12
P-Value 0.005708 0,0003443 0,0007.331 0.005431
Berdasarkan tabel 4.7 dan gambar 4.11 terlihat bahwa p-value untuk setiap
lag yang diuji lebih kecil dari sehingga ditolak (galat tidak bersifat
94
Dari plot normalitas, data berada disekitar garis dan menggunakan program
c. Model ARIMA
Berdasarkan plot ACF gambar 4.13 ada lag melebihi garis putus-putus
(garis signifikan). Hal ini menunjukkan bahwa galat tidak bersifat acak. Untuk
Lag 1 2 3 4
P-value 0.0004719 0.002137 0.006408 0.01423
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
Berdasarkan tabel 4.8 dan gambar 4.13 terlihat bahwa untuk lag yang diuji
Dari plot normalitas, data berada disekitar garis dan menggunakan program
96
d. Model ARIMA
Berdasarkan plot ACF gambar 4.16, ada lag yang melebihi garis putus-putus
(garis signifikan). Hal ini menunjukkan bahwa galat tidak bersifat acak. Untuk
Lag 1 2 12 24
P-Value
Berdasarkan tabel 4.9 dan gambar 4.17 terlihat bahwa p-value untuk setiap lag
yang diuji lebih kecil dari sehingga ditolak(galat tidak bersifat acak).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
Dari plot normalitas, data berada disekitar garis dan menggunakan program
berdistribusi normal.
Dari tabel ringkasan, dapat dilihat bahwa model yang dipilih adalah model
yang memenuhi asumsi white noise yaitu galat bersifat acak dan berdistribusi
98
( ̂ )( ̂ ) ( ̂ )
sehingga diperoleh
C. Evaluasi Model
Pada tahap ini akan dicari model yang paling baik dalam pendugaan data
runtun waktu, yaitu dengan mempehatikan nilai MSE dari kedua model, yaitu
99
Model MSE
ARIMA (1,1,1)(1,0,0)12 822631.997
Dekomposisi klasik 627481.728
Dilihat dari nilai MSE, metode dekomposisi memiliki nilai MSE lebih kecil
terbaik untuk pendugaan data runtun waktu jumlah penumpang kereta api adalah
BAB V
PENUTUP
A. KESIMPULAN
2. Berdasarkan hasil analisis data jumlah penumpang kereta api dari tahun
B. SARAN
1. Metode yang dibahas pada skripsi untuk pendugaan data runtun waktu
100
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
2. Pada skripsi ini hanya menduga model yang terbaik, bagi pembaca yang
ingin melanjutkan dapat meramalkan data dari model terbaik yang telah
diperoleh.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Aswi dan Sukarna. (2006). Analisis Deret Waktu: Teori dan Aplikasi. Makasar:
Andira
Badan Pusat Statistik. (2016). Jumlah Penumpang Kereta Api, 2006-2015 (Ribu
http://sbm.binus.ac.id/2015/11/20/alpha-dan-p-value-dalam-statistik/. 20
Juli 2016.
Bowerman, L.B dan O’Connel, T.R. (1993). Forecasting and Time Series: An
Box, G.E.P dan Jenkins, G.M. (1976). Time Series Analysis: Forecasting and
Box, G.E.P., Jenkins, G.M., dan Reinsel, G.C. (1994). Time Series Analysis:
Brockwell, P.J dan Davis, R.A. (2002). Introduction to Time Series and
Hall/CRC.
Hanke, J.E. dan Wichern, D.W. (2009). Business Forecasting Ninth Edition. New
102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
Makridakis, S., Wheelwright, S.C., dan McGee, V.E. (1999). Metode dan Aplikasi
Shumway, R.H dan Stoffer, D.S. (2011). Time Series Analysis and Its Application
104
LAMPIRAN
Berikut merupakan tabel dan program pada Bab III dan Bab IV
105
> t= data[,1]
>acf(Xt, lag.max=40)
>library(forecast)
Trasformasi
> lambda
[1] -0.1463171
main="Data transformasi")
106
>estimasi=Arima(dataTransformasi,order=c(1,0,1),seasonal=list(order=c(1,0,0)
,period=12))
Series: dataTransformasi
Coefficients:
>estimasi=Arima(dataTransformasi,order=c(1,0,0),seasonal=list(order=c(1,0,0)
,period=12))
> estimasi
Series: dataTransformasi
Coefficients:
107
>estimasi=Arima(dataTransformasi,order=c(0,0,1),seasonal=list(order=c(1,0,0)
,period=12))
> estimasi
Series: dataTransformasi
Coefficients:
>estimasi=Arima(dataTransformasi,order=c(0,0,0),seasonal=list(order=c(1,0,0)
,period=12))
> estimasi
Series: dataTransformasi
Coefficients:
sar1 intercept
0.6745 4.3636
108
>acf(galat, lag.max=82)
> tsdiag(estimasi)
> qqnorm(galat)
> qqline(galat)
>Xttopi= dataTransformasi-galat
cex=0.8,col=c("red","blue"), pch=21:22,lty=1:2)
> t= data[,1]
>acf(Xt, lag.max=70)
>library(forecast)
Trasformasi .
>d1= diff(Xt)
>t1= 2:120
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
> estimasi=Arima(d1,order=c(1,1,1),seasonal=list(order=c(1,0,0),period=12))
> estimasi
Series: d1
ARIMA(1,1,1)(1,0,0)[12]
Coefficients:
> estimasi=Arima(d1,order=c(1,1,0),seasonal=list(order=c(1,0,0),period=12))
> estimasi
Series: d1
ARIMA(1,1,0)(1,0,0)[12]
Coefficients:
ar1 sar1
-0.6305 0.6393
110
> estimasi=Arima(d1,order=c(0,1,1),seasonal=list(order=c(1,0,0),period=12))
> estimasi
Series: d1
ARIMA(0,1,1)(1,0,0)[12]
Coefficients:
ma1 sar1
-1.0000 0.6431
> estimasi=Arima(d1,order=c(0,1,0),seasonal=list(order=c(1,0,0),period=12))
> estimasi
Series: d1
ARIMA(0,1,0)(1,0,0)[12]
Coefficients:
sar1
0.6886
s.e. 0.0682
>galat= residuals(estimasi)
>acf(galat, lag.max=120)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
> tsdiag(estimasi)
> qqnorm(galat)
> qqline(galat)
>Xttopi= d1-galat
cex=0.8,col=c("red","blue"), pch=21:22,lty=1:2